Содержание к диссертации
Введение
Раздел 1 Обзор методов и подходов к прогнозированию процессов нефтеизвлечения 10
1.1. Цели и задачи моделирования нефтяных месторождений 10
1.2. Методы математического и имитационного моделирования 11
1.2.1. Теория фильтрации 11
1.2.2. Имитационные модели 15
1.2.3 Классические - неспециальные способы экстраполяции 18
1.3. Недостатки детерминированных и имитационных моделей 23
1.4. Исследование возможности использования нейросетевых технологий для прогнозирования процессов нефтедобычи 35
1.4.1 Теоретические основы искусственных нейронных сетей 35
1.4.2 Информационные системы, реализующие нейросетевые технологии 48
Выводы по первому разделу 51
Раздел 2 Построение экспериментальных нейросетевых моделей процессов нефтедобычи 52
2.1. Постановка задач разработки нейронных сетей для моделирования процессов нефтедобычи 52
2.2. Алгоритм проведения расчетных операций 57
2.2.1. Выбор оптимальной архитектуры искусственной нейронной сети 58
2.3. Тестовый прогноз нефтедобычи средствами эталонного гидродинамического симулятора и программного симулятора ИНС 61
Выводы по второму разделу 76
Раздел 3 Экспериментальные исследования нейросетевых моделей процессов нефтедобычи 77
3.1. Выбор и обоснование численно-аналитической модели ИНС 77
3.2. Построение обучающих выборок по результатам численного моделирования технологических показателей нефтедобычи 81
3.3. Вариативный технологический прогноз показателей эксплуатации скважин выбранными архитектурами ИНС 93
3.3.1. Исследование свойств функции многослойного персептрона нейросетевых моделей 93
3.3.2. Исследование свойств линейной функции нейросетевых моделей 98
3.3.3. Исследование свойств радиально-базисной функции нейросетевых моделей 102
3.4. Оценка прогнозируемости системы поддержания пластового давления нейронными сетями 107
3.5. Апробация нейронных сетей для прогнозирования по скважинной добычи нефти на Савуйском и В ан-Еганском месторождениях 111
3.5.1. Общая информация о пласте БСю Савуйского месторождении 111
3.5.2. Общая информация о пласте БВ6 Ван-Еганского месторождения 125
3.5.3. Оперативный расчет добычи нефти функцией РБФ нейросетевого моделирования на скважинах Савуйского и Ван-Еганского месторождения 128
Выводы по третьему разделу 141
Выводы и рекоммендации 142
Список использованной литературы 144
- Теория фильтрации
- Постановка задач разработки нейронных сетей для моделирования процессов нефтедобычи
- Исследование свойств функции многослойного персептрона нейросетевых моделей
- Оперативный расчет добычи нефти функцией РБФ нейросетевого моделирования на скважинах Савуйского и Ван-Еганского месторождения
Введение к работе
Актуальность работы
Эффективная разработка нефтегазовых месторождений невозможна без полного и всестороннего моделирования процессов, происходящих в эксплуатируемом пласте-коллекторе. К числу наиболее важных задач относятся: прогноз величин дебитов нефтяных скважин; прогноз изменения полей пластовых давлений в пласте; оценка эффективности проводимых и планируемых геолого-технологических мероприятий (ГТМ).
нефтегазоносный пласт-ко л лектор, вскрытый добывающими и нагнетательными скважинами, является сложной, динамической системой, требующей не тривиального, наукоёмкого, математического моделирования с целью планирования широкого спектра геолого-технических мероприятий и просто добычи нефти, на сегодняшний день трёхмерные детерминированные гидродинамические методы прогнозирования, основанные на теории фильтрации жидкостей и газа в пористых средах, позволяют достаточно точно воспроизводить происходящие процессы. Однако наибольшую трудность вызывает настройка или адаптация создаваемого цифрового аналога к реальному промысловому объекту. Существует целый ряд геологических параметров, который не может быть точно измерен. Значения таких параметров подбирается эмпирически на основе опыта геологов-экспертов и геолого-технической информации получаемой с промыслового объекта.
Применение традиционных методов прогнозирования процессов нефтедобычи с использованием методов решения краевых задач теории фильтрации, моделей трубок тока, характеристик вытеснения, статистических методов и т.д. сопряжено с трудностями такими как неполнота или искаженность информации, характеризующей поведение прогнозируемой системы и как следствие, не достаточной достоверности данного вида расчетов.
Одним из перспективных методов решения сложных задач нефтепромыслового прогноза показателей является имитационное моделирование, реализуемое на основе искусственных нейронных сетей (ИнС). Применение такой методологии в данной проблематике, представляется более целесообразным, так как ее особенностью является: обучаемость (самоадаптивность) особенностям моделируемого объекта, идентификация входящей зашумленной информации с соответствующей поправочной интерпретацией, интеллектуальность построения причинно-следственных связей о происходящих микропроцессах, скорость создания модели для проведения расчетных операций.
Цель работы
Повышение качества контроля и управления разработки месторождений за счет уточнения проектных показателей при математическом имитационном моделировании нейросетевыми методами в условиях недостаточной геолого-технологической информации о промысловых объектах.
Основные задачи исследований
-
Исследовать возможности прогнозирования технологических показателей разработки месторождений нейросетевыми методами и определить класс сопутствующих задач.
-
Разработать принципы построения имитационных моделей на основе искусственных нейронных сетей, способные обеспечить качественный прогнозный показатель.
-
Разработать методы обучения сетей и исследовать их устойчивость к зашумлённым входным данным при моделировании процессов нефтедобычи на основе численных экспериментов.
-
Предложить и обосновать методику оперативного прогнозирования показателей добычи нефти методами нейросетевого моделирования направленную на повышение аналитической эффективности оценки выработки запасов УВ, на реальных промысловых данных Российских компаний занимающихся разработкой нефтяных месторождений Западной Сибири.
Объект и предмет исследования
Системы добычи нефти, объединяющие объекты разработки -продуктивные пласты, добывающие и нагнетательные скважины. Предметом исследования является возможность использования искусственных нейронных сетей для повышения надежности прогнозных показателей.
научная новизна выполненной работы
-
Разработаны и исследованы новые имитационные модели добычи нефти с использованием нейронных сетей и погрешностью прогноза не более 15 %, отличающиеся использованием при их обучении промысловых данных совместно с результатами детерминированных гидродинамических моделей.
-
Экспериментально доказана устойчивость нейросетевых моделей, прогнозирующих процессы двухфазной фильтрации в пористых средах к зашумлениям (до 30 %) в обучающих выборках.
-
Разработан алгоритм обучения сетей, направленный на оптимальный подбор архитектур, а так же определение подходящей функции выявления взаимосвязей между входящими параметрами.
Основные защищаемые положения
-
Разработанные нейросетевые модели для решения задач прогнозирования динамики режимов работы скважин.
-
Результаты исследования устойчивости нейросетевых методов прогнозирования технологических показателей разработки к входным данным с высоким уровнем шума (до 30 %).
-
Методическое обеспечение нейросетевых компонентов, позволяющее решать основные задачи прогноза добычи на основе нейросетевого подхода.
-
Методика использования для обучения искусственной нейронной сети историю динамики режимов работы скважин и результатов гидродинамического моделирования.
Практическая ценность и реализация
-
Разработанные нейросетевые модели применяются для прогноза технологических показателей нефтедобычи: дебиты нефти добывающих скважин, суммарные дебиты группы скважин, приемистости нагнетательных скважин.
-
Разработанный метод имитационного моделирования процессов нефтедобычи на основе нейросетевых методов, позволяет за 10 - 12 часов создавать нейронные сети на основе промысловых данных и отличается от общепринятых методик нейросетевого моделирования рекомендациями по выбору типов и структуры обучающих выборок, а также использованием детерминированных моделей.
-
Авторское выполнение научно-исследовательской работы: «Разработка высокоточных альтернативных численных моделей систем добычи нефти и газа в условиях проявления нелинейных законов фильтрации, трещинообразования и гидравлических волн для повышения энергоэффективности систем добычи нефти». Код темы: ГРнТИ 52.47.19.28.17.19 от 18.01.2013
-
Апробация предложенной методики оперативного прогнозирования показателей добычи нефти методами нейросетевого моделирования на Ван-Еганском месторождении ОАО «Роснефть» и Савуйском месторождении ОАО «Сургутнефтегаз».
Соответствие диссертации паспорту научной специальности Указанная область исследования соответствует паспорту специальности 25.00.17 - Разработка и эксплуатация нефтяных и газовых месторождений, а именно по пункту 3: научные аспекты и средства обеспечения системного комплексного (мультидисциплинарного) проектирования и мониторинга процессов разработки месторождений углеводородов, эксплуатации подземных хранилищ газа, создаваемых в истощенных месторождениях и водонасыщенных пластах с целью рационального недропользования.
5: научные основы компьютерных технологий проектирования, исследования, эксплуатации, контроля и управления природно-техногенными системами, формируемыми для извлечения углеводородов из недр или их хранения в недрах с целью эффективного использования методов и средств информационных технологий, включая имитационное моделирование геологических объектов, систем выработки запасов углеводородов и геолого-технологических процессов.
Апробация результатов исследований
Результаты работы докладывались на: региональной научно практической конференции молодых специалистов. Организатор - ОАО «Сургутнефтегаз» (Сургут, 2011 г.); XII конференции молодых специалистов, работающих в организациях, осуществляющих деятельность, связанную с использованием участков недр на территории Ханты-Мансийского автономного округа (Ханты-Мансийск, 2012 г.); международной заочной научно-практической конференции - теория «Методология и концепция модернизации в природопользование, математике, технике, физике» - нОУ ДПО «Санкт-Петербургский институт проектного менеджмента. (Санкт-Петербург 2013 г.); 67-й Международной молодежной научной конференции РГУ имени И.М. Губкина «нефть и газ» (Москва, 2013 г.); государственный заказ нИР: «Разработка высокоточных альтернативных численных моделей систем добычи нефти и газа в условиях проявления нелинейных законов фильтрации, трещинообразования и гидравлических волн для повышения энергоэффективности систем добычи нефти», код темы: ГРнТИ 52.47.19.28.17.19 от 18.01.2013, Выполнение гранта Министерства образования и науки РФ, код темы: ГРнТИ 52.47.19.28.17.19 от 18.01.2013
Публикации
По материалам диссертации опубликовано 10 работ в журналах рекомендованных ВАК и одна монография.
Объем и структура работы.
Работа состоит из введения, трех разделов, заключения, списка использованных источников из 94 наименований. Объём основного текста диссертации составляет 152 страницы машинописного текста, иллюстрированного 91 рисунком и 10 таблицами.
Теория фильтрации
Законы физики, как и законы природы едины. Тем не менее, в отраслевом отношении существуют методики или, так называемые «теории», аккумулирующие опыт изучения физических процессов доминирующих в рассматриваемых объектах. Разумеется, в наиболее широком понимании теории, как таковой, фильтрация жидкостей и газов не может выделяться из общей гидромеханики. Однако, простота описания макропараметров фильтрации (проницаемость, гидропроводность, пьезопроводность и т.п.) в виде не детализируемого процесса, который по своей природе складывается из множества течений на микроуровне, обусловила начало развития научно-прикладных работ в области теории фильтрации.
Теория фильтрации или подземная гидромеханика - раздел гидромеханики, направленный на исследование движения текучих сред через твердые пористые среды - тела, пронизанные системой сообщающихся между собой каналов, пустот и пор.
Накопление нефти и газа в пористых породах-коллекторах и основные технологии извлечения связаны с фильтрационными процессами, изучение которых является главной целью и главным источников задач теории фильтрации.
Важнейшей количественной макро - характеристикой пористых тел является коэффициент пористости, определяемый долей объема пор в объеме материала. Разумеется, данный коэффициент является статистическим, так как при измельчении исследуемого пористого материала мы будем получать разную пористость.
Например, при учете коэффициента пористости игнорируются замкнутые изолированные поры и учитываются только соединенные между собой проточные, иначе говоря, условно сквозные поры. Они образуют поровое пространство - сложную разветвленную и нерегулярную сеть пор. Кроме нерегулярности структуры порового пространства надо помнить о том, что структура порового пространства может изменяться вследствие разрушений стенок поровых каналов. Таким образом, с позиции детерминированных моделей мы получаем неопределенность в одном из главных коэффициентов - пористости.
Когда речь идет о породах - коллекторах нефти и газа, пористость является главным параметром, поскольку она определяет запасы месторождения, т.е. количество флюидов в данном пласте. Способность пористой среды пропускать жидкость характеризуется проницаемостью[28]. Движение жидкости и газа на участке пористой среды происходит под действием разности (перепада) давлений на его границах. Согласно закону Дарси скорость - со движения (фильтрации) жидкости (газа) в пористой среде прямо пропорциональна градиенту давления, т.е. перепаду давления - АР, приходящемуся на единицу длины пути движения жидкости или газа, и направлена в сторону падения давления:
Закон Дарси - основной закон подземной гидравлики, на котором, так или иначе, базируются все методы детерминированного математического моделирования и как следствие, основанные на них методы проектирования и контроля процессов разработки нефтяных и газовых месторождений, а также методы промысловых гидродинамических исследований скважин и пластов [29].
Проницаемость также является макропараметром и существует объективно только для конечного объема пористого материала и как пористость изменяется во времени, из-за изменения внутрипорового давления и структуры порового пространства.
Таким образом, детерминированные модели продуктивных коллекторов видятся не настолько детерминированными, как это принято понимать. Так как закон Дарси включает в себя статистические коэффициенты, гидродинамические симуляторы не в полной мере реализуют «детерминированность» математических моделей.
Для математического описания фильтрационных потоков в 2-х и 3-х мерном пространстве вектор скорости фильтрации (или расход флюида) рассматривается как сумма векторов по основным координатным осям. Хотя мы понимаем, что, как и в трубной гидромеханике, существует понятие распределения поля скоростей.
Закон Дарси и закон сохранения массы (уравнение неразрывности) в общем случае образуют замкнутую систему дифференциальных уравнений для отыскания распределения давления и поля скоростей фильтрации.
Уравнение для давления (или напора) представляет собой уравнение в частных производных, родственное уравнению Лапласа, описывающему распределение потенциала электрического поля. Оно сводится к уравнению Лапласа в случае однородной среды. Понятие однородности здесь момент весьма стохастический.
Классические теоретические подходы к фильтрации имеют дело с течением однородной жидкости в условно однородной пористой среде (хотя, как пористая среда может быть однородной). Однако же, в большинстве современных задач приходится иметь дело с неоднородными системами, заполненными многокомпонентными смесями. Упомянем лишь такие важные области, как загрязнение грунтовых вод, миграция влаги в почвенном слое и вытеснение нефти пластовой или искусственно закачиваемой водой или газом. У каждой из этих систем есть аналог в обычной гидродинамике (скажем, перенос загрязнения потоком воды в реке или течение газонефтяной смеси по трубам). Однако пористая среда в каждом случае вносит свои особенности, так или иначе, связанны с малым размером пор, нерегулярностью и неоднородностью порового пространства и огромной поверхностью контакта жидкости со скелетом. Перечислим наиболее типичные и важные эффекты: перенос примеси, адсорбция, хроматографическое разделение, диффузия и гидродинамическая дисперсия.
Наиболее важные и интересные явления происходят при движении в пористой среде нескольких фаз, скажем воды и воздуха в почве или нефти, газа воды в нефтяных месторождениях. Появление межфазных границ требует учета капиллярных сил. Их роль в природных пластах оказывается определяющей. Это связано с малостью размеров пор[28]. Исследование движения многофазных и многокомпонентных систем в пористой среде - физико-химическая подземная гидродинамика представляет собой быстро развивающуюся ветвь теории фильтрации, где методы физики, химии и гидродинамики совместно решают важные практические задачи. Более подробно с теорией фильтрации можно ознакомиться в работах [30, 31, 32, 33, 34, 35, 36, 37, 38]. На сегодняшний день создано множество программных симуляторов залежей углеводородов (УВ), реализующих разнообразные модели фильтрации. Среди зарубежных разработок на рынке присутствует программный продукт «Eclipse» компании Schlumberger. Часто данный программный продукт подвергается жесткой критике со стороны ведущих Российских ученых - специалистов в области гидродинамического моделирования. Из отечественных разработок следует отметить программные комплексы Техсхема, TimeZYX и Hydraulic Simulator (Hydra Sym) [40].
Постановка задач разработки нейронных сетей для моделирования процессов нефтедобычи
Исследование нейросетевых методов решения задач нефтепромысловой геологии предлагается проводить согласно следующей последовательности.
1. Физическая постановка задачи с целью построения обучающих выборок. Основой для создания обучающих выборок могут быть результаты численного гидродинамического моделирования процессов, протекающих в пластах-коллекторах, базы данных, содержащие историю разработки месторождения и геологические характеристики пласта, изменяющиеся во времени.
2. Выбор архитектуры, топологии сети, а также выбор алгоритма ее обучения. Предварительная обработка данных и построение обучающих выборок.
3. Обучение, тестирование и возможное «до обучение» сети.
4. Анализ полученных результатов.
Как отмечалось ранее, для обучения многослойных персептронов, требуется обучающая выборка, состоящая из отдельных примеров, каждый из которых представляет собой задачу одного и того же типа с соответствующим набором входных параметров и ответом. В нашем случае исследуемая система - нефтяной пласт, совокупность добывающих и нагнетательных скважин, режимы эксплуатации скважин, время их работы и простоя, в некоторых случаях характеристики оборудования, геологические характеристики пласта и т.д. Всю доступную информацию можно условно разбить по следующим группам.
1. Время и периодичность отбора информации. Определяется выбранным периодом обучения и датами снятия замеров.
2. Характеристики нагнетательных скважин. Сюда могут включаться такие параметры как объем закачки, приемистость, время работы скважин, координаты и номера скважин и т.д.
3. Характеристики добывающих скважин. В эту группу могут быть включены такие параметры как объем добычи воды и нефти, отбор жидкости, дебиты скважин по воде и нефти, суммарные дебиты, либо суммарная добыча, время работы, координаты скважин или номера добывающих скважин и т.д.
Определим, в самом общем случае состав и структуру полей обучающей выборки для различных входных параметров (сигналов) нейронной сети. В работах [1 ,2, 3, 4, 5, 6, 7] предлагается классифицировать выборки, в зависимости от структуры, условно разделяя их на два типа - вертикальные и горизонтальные.
Горизонтальные выборки в основном предназначены для решения задач исследования интерференции скважин, а также для решения задач прогноза суммарной добычи нефти для выделенных фрагментов (участков) месторождения. Их существенный и неустранимый недостаток - количество полей обучения возрастает прямо пропорционально количеству скважин и, следовательно, область их применения ограничена исследованиями выделенных участков месторождения с количеством скважин порядка 300-500, в то время как число скважин для отдельных месторождений может достигать величины порядка нескольких тысяч.
Второй существенный недостаток подобных выборок - высокие требования к входной информации, т.к. наличие пробелов в данных по отдельным скважинам для различных моментов времени приводит к тому, что соответствующие строки в обучающей выборке приходится отбрасывать, либо заменять их приближенными значениями.
Вертикальные обучающие выборки предназначены для решения задач прогноза добычи нефти по отдельным скважинам с учетом режимов работы нагнетательных скважин и задач классификации. Они менее чувствительны к наличию «пробелов» в базах данных, но абсолютно не приспособлены к решению таких задач, как исследование интерференции скважин.
Рассмотрим структуру простейшей вертикальной обучающей выборки на примере решения задачи прогноза добычи нефти для отдельных скважин (таблица 2.1.)
Достоинство данной выборки состоит в том, что количество примеров обучения для каждой скважины может быть разным, что особенно важно при наличии «пробелов» (отсутствие данных) в базах данных.
Недостатком же ее, прежде всего, является высокая чувствительность к наличию ошибок определения входных параметров обучающей выборки и, прежде всего, таких характеристик добывающих и нагнетательных как дебиты и приемистость. Однако, несмотря на простоту, данная выборка позволяет решать достаточно широкий класс задач и в первую очередь, задачи прогноза добычи нефти для отдельных скважин, количественно оценивать степень взаимодействия скважин, исследовать помехоустойчивость нейросетевых алгоритмов и т.д.
В таблице 2.2 приведена возможная структура горизонтальной обучающей выборки, предназначенной для решения задач прогноза суммарного дебита для выделенной группы добывающих скважин и приняты следующие обозначения: Q - дебиты добывающих скважин, Р- забойные давления - дополнительные параметры связанные с эксплуатацией скважин
Легко заметить, что по своей структуре вертикальные и горизонтальные обучающие выборки практически совпадают. Основное их отличие состоит в том, что в горизонтальном случае соответствующие характеристики добывающих скважин расположены в обучающей выборке один за другим, что с одной стороны приводит к уменьшению количества примеров для обучения нейронной сети, а с другой к увеличению количества полей обучающей выборки прямо пропорциональному количеству исследуемых добывающих скважин. [1-8,56].
Исследование свойств функции многослойного персептрона нейросетевых моделей
Проведённые численные эксперименты продемонстрировали, что устойчивость к погрешностям и точность прогноза зависят от персептронов. Наиболее репрезентативным примером в данном случае является архитектуру многослойного персептрона (рисунок 3.20).
Как видно из представленной схемы вычисляемые связи обусловлены персептронами. Иными словами - нейросетевая аппроксимация значений суммарного дебита в виде информационного сумматора. Зелёные квадраты обозначают значения суммарного дебита снятые с выхода нейронной сети, красные, зашумлённые данные в режиме тестирования.
Итоги расчетов по данной сети на рисунках 3.21-3.26
Анализируя графики на рисунках 3.21-3.26 можно заметить, что функция прогноза стала более устойчива к флуктуанионным отклонениям. Однако даже при достаточном росте стабильности расчетов продолжают наблюдаться большие погрешности.
Несмотря ни на что при любом проценте погрешностей прослеживаются причинно-следственные связи с персептроном в архитектуре. Тем не менее, можно говорить об устойчивости ПМ к зашумлениям, и сохранении хорошего тренда выходных данных.
Оперативный расчет добычи нефти функцией РБФ нейросетевого моделирования на скважинах Савуйского и Ван-Еганского месторождения
Пользуясь промысловой информацией, создадим базу данных истории разработки пласта, содержащую информацию аналогичную той, что собирается в ходе регламентных измерений технологических параметров скважин и на основе данной информации исследуем возможности ИНС с функцией РБФ и методику нейросетевой аппроксимации на конкретных скважинах.
Репрезентативная выборка, отражающая не тривиальные способности прогнозирования технологических, показателей нейронных сетей отражена на примерах 6 добывающих скважин с номерами: №275, №299, №300, №315, №316, №759. (рисунок 3.50).
Согласно алгоритму, описанному во втором разделе, выбираем архитектуру радиально-базисной функции (РБФ) с 5-ю персептронами нейронной сети, описанную во втором разделе, графическое представление которой представлено на рисунке 3.7. Проведенное обучение отражено в таблицах 3.1-3.2. В обучающее множество вошли 1000 векторов, верификационное - 100 векторов и тестовое -500 векторов. Первоначально входными параметрами обучающих векторов являлись: координаты ячейки, в которой находится скважина и уровень добычи. Однако этих данных оказалось недостаточно и ни одна из опробованных конфигураций нейронных сетей не смогла обучиться до приемлемого уровня ошибки. Затем количество входных параметров обучающих векторов было увеличено за счёт пластового давления и обводненности. Ошибка обучения составила 5%, ошибка прогнозирования на 1-й и 2-й годы составила 6% и 5% соответственно. Тот факт, что прогноз, полученный на 2-й год, оказался точнее, говорит о том, что методика моделирования адаптируется к новым условиям, т. к. данные о моделируемом объекте весьма неоднородны.
Основным приемом сравнения качества прогнозирования динамики добычи по скважинам является скрытие части фактических замеров для обучения ИНС (т.е. ИНС не знает данных о режимах, которые нам известны) с последующим сравнением прогнозных показателей (дебита нефти) по ИНС со скрытыми ранее фактическими замерами. Разумеется, прогнозирование динамики режимов работы скважин, на основе, обученной на фактических данных ИНС, является менее устойчивым, так как это сопряжено с риском искажения причинно-следственной связи и накопления «разумного» опыта предыдущей истории работы скважин.
Прогнозирование проводилось на временной отрезок 10-15 % от общей работы скважин (интервала времени обучения). Проведённые численные эксперименты продемонстрировали, устойчивость архитектуры РБФ к информационным погрешностям процессов нефтедобычи для нейросетевых моделей.
Свойство нейронных сетей к сглаживанию шумов вытекает из присущей им способности к обобщению (см. первый раздел), и возможно только при условии оптимального подбора ресурсов ИНС. Более того, в ряде работ [65, 82, 96] описана процедура добавления шумовой компоненты к входным данным для выработки у натренированной нейронной сети нечувствительности к вариациям входных величин, при условии, что эти вариации находятся в определённых, допустимых границах. Однако это возможно только после формирования стабильной и минимальной архитектуры НС. Как уже отмечалось ранее. недостаточное количество нейронов приводит к невозможности корректно воспроизводить обучающие данные, а их избыток приводит к тому, что ИНС просто «запоминает» обучающие данные, в том числе и шумы, с погрешностью обучения близкой к нулю.
В ходе эксперимента был проведен небольшой сравнительный анализ архитектур, на скважине №316, был произведен анализ и прогноз архитектурой многослойного персептрона описанного в разделах 1-2. Контрольные суммы обучения приведены в таблицах 3.1-3.2. Сложность выбора наиболее эффективной архитектуры нейросети сводится к двум принципам: 1 — использование контрольных выборок и 2 - экспериментирование.
Механизм контрольной кросс - проверки заключается в том, что некоторая часть обучающих наблюдений резервируется, т.е. подгонка коэффициентов модели и поиск минимума ошибки сети по ним не осуществляется.
Рассмотрим качество аппроксимации режимов скважин №275, №299, №300, №315, №316 ,№759 и прогноза отраженного на графиках (рисунки 3.51-3.62).
Как видно на рисунках 3.55-3.56 пример работы ИНС с многослойным персептроном показал наиболее худшие показатели аппроксимации. Учитывая описанные проблемы во 2-м и 3-м разделах, прослеживается причинно-следственная связь работы персептрона. Каждый нейрон суммирует поступающие к нему сигналы от нейронов предыдущего уровня иерархии с весами, определяемыми состояниями синапсов, и формирует ответный сигнал (переходит в возбужденное состояние), если полученная сумма выше порогового значения. Персептрон переводит входной образ, определяющий степени возбуждения нейронов самого нижнего уровня иерархии, в выходной образ, определяемый нейронами самого верхнего уровня. Число последних, обычно, сравнительно невелико. Состояние возбуждения нейрона на верхнем уровне говорит о принадлежности входного образа к той или иной категории. Традиционно рассматривается аналоговая логика, при которой допустимые состояния синоптических связей определяются произвольными действительными числами, а степени активности нейронов - действительными числами между 0 и 1.
Иногда исследуются также модели с дискретной арифметикой, в которой синапс характеризуется двумя булевыми переменными: активностью (0 или 1) и полярностью (-1, 0 или +1), что соответствует трехзначной логике. Состояния нейронов могут при этом описываться одной булевой переменной. Данный дискретный подход делает конфигурационное пространство состояний нейронной сети конечным (не говоря уже о преимуществах при аппаратной реализации).
Заметим, что известные ошибки, архитектурами многослойного персептрона вызваны скрытыми слоями. Чем больше значение синаптической связи между нейроном скрытого слоя и выходным нейроном, тем сильнее ошибка первого влияет на ошибку второго. Следовательно, оценку ошибки элементов скрытых слоев можно получить, как взвешенную сумму ошибок последующих слоев. При обучении информация распространяется от низших слоев иерархии к высшим, а оценки ошибок делаются сетью в совокупности.
Ниже на рисунках 3.57-3.60 показаны результаты работе ИНС с функцией РБФ для Савуйского месторождения.
